Cómo las redes antagónicas generativas (GAN) hacen que los sistemas de IA sean más inteligentes
Un algoritmo de entrenamiento de aprendizaje automático llamado GAN enfrenta a dos IA para mejorar cada sistema. Así es como funcionan.
«Las GAN son la salsa secreta de las empresas y proyectos de IA», dice Jay Garmon, colaborador de Tecnopedia.
Dan Patterson de Tecnopedia habla con Garmon sobre cómo las empresas deben usar redes antagónicas generativas (GAN) si quieren tener éxito con la inteligencia artificial (IA).
Las GAN son dos paquetes de software de IA diferentes que compiten entre sí para mejorarse mutuamente. Estas redes se hicieron populares en 2014 y se utilizan principalmente para el procesamiento de imágenes y videos.
Ver: Guía para líderes de TI sobre el futuro de la IA (Tech Pro Research)
«En esta lucha de gladiadores, tiendes a tener dos sistemas de IA diferentes: un generador y un discriminador», dijo Garmon. El trabajo del discriminador es tomar un conjunto de videos o imágenes, leerlos y hacer copias de imitación falsas. Por ejemplo, si tiene 50 imágenes de señales de alto, puede usar el aprendizaje automático para entrenar un algoritmo para convertir esas imágenes en 100 imágenes de señales de alto. Entonces, el trabajo del discriminador es determinar qué imágenes son señales de alto reales y qué imágenes son falsas.
«Cuanto mejor lo haga el generador para engañar al discriminador, mejor podrá tomar estos datos y volver a entrenar al discriminador para detectar falsificaciones», dijo. «De un lado a otro hasta que ambos sean muy, muy buenos en lo que hacen, y no tengas que salir y obtener 10,000 imágenes de señales de alto».
La aplicación más práctica de las GAN se puede ver en la astronomía. Los investigadores utilizan esta red para mejorar sus imágenes o videos de radioastronomía porque solo tienen un número limitado de imágenes y videos para elegir.
«Cualquier startup, cualquier empresa que quiera hacer trabajos de imagen y video, y no sentarse en millones o miles de millones de horas o muestras de imágenes, básicamente tiene que usar GAN. No tiene otra opción porque la producción de datos tiene un costo demasiado alto».
ver también
